详情

原文传递基于图像监控数据的桥梁关键构件病害预警系统及方法

专利名称：	基于图像监控数据的桥梁关键构件病害预警系统及方法
摘要：	本发明公开了一种基于图像监控数据的桥梁关键构件病害预警系统及方法，该系统包括图像采集与数据传输系统、图像处理系统及评估预警系统；图像采集与数据传输系统由高清相机、太阳能组件、辅助光源、无线传输网络及数据接收端组成，在桥梁各关键结构部位设置高清相机，按照一定频率进行图像数据采集并传输至数据接收端；图像处理系统包括高清图像的自动化读取、优化、病害识别与分类，实现对监测构件运营质量的机器视觉分析；评估预警系统以病害二值化图像为研究对象，对可能发生病害的发展进行跟踪与状况评价，若病害发展速率与严重程度超过极限阈值即进行预警。本发明实现了桥梁关键构件的自动化监测，对保障结构安全具有重要意义。
专利类型：	发明专利
国家地区组织代码：	江苏;32
申请人：	中设设计集团股份有限公司
发明人：	明图章;李波;陆永泉;闫志刚;胡靖;丁军华;蒋龙泉;张贵忠;成礼平;李西芝
专利状态：	有效
申请日期：	2019-04-04T00:00:00+0800
发布日期：	2019-07-19T00:00:00+0800
申请号：	CN201910272711.7
公开号：	CN110031477A
代理机构：	南京理工大学专利中心
代理人：	陈鹏
分类号：	G01N21/95(2006.01);G;G01;G01N;G01N21
申请人地址：	210014 江苏省南京市秦淮区紫云大道9号
主权项：	1.一种基于图像监控数据的桥梁关键构件病害预警系统，其特征在于：该系统包括图像采集与数据传输系统、图像处理系统及评估预警系统；图像采集与数据传输系统由高清相机、太阳能组件、辅助光源、无线传输网络及数据接收端组成，在桥梁各关键构件设置高清相机，按照一定频率进行图像数据采集并传输至数据接收端；图像处理系统用于高清图像的自动化读取、优化、病害识别与分类；评估预警系统以病害二值化图像为研究对象，若病害发展速率与严重程度超过极限阈值即进行预警。 2.根据权利要求1所述的基于图像监控数据的桥梁关键构件病害预警系统，其特征在于：高清相机固定于桥梁关键构件并进行拍摄，调节拍摄角度与距离以覆盖构件范围，并通过调整焦距使其识别精度达到0.5mm以上，拍摄图像为256色RGB图像，最小分辨率为2432×2048，采集频率在1min～1d之间调节；所述图像采集与数据传输系统采用4G无线传输模块，将原始拍摄图像传输并按照拍摄编号、拍摄时间存储于数据接收终端。 3.根据权利要求1或2所述的基于图像监控数据的桥梁关键构件病害预警系统，其特征在于：桥梁关键构件包括桥梁接缝、缆索端部、支座、箱梁结构与桥墩。 4.根据权利要求1所述的基于图像监控数据的桥梁关键构件病害预警系统，其特征在于，所述图像处理系统用于自动化图像读取、图像优化、构件病害识别与分类，具体方法为：利用MATLAB软件按照编号与时间顺序读取桥梁关键构件的256色RGB图像，采用自带函数imadjust与离散余弦变换对图像数据进行增强亮度、提高对比度与去除噪点处理，其后将图像数据输入卷积神经网络机器视觉模型，若图像识别无病害则输出标识0，裂缝类病害输出标识1，坑洞病害输出标识2，并输出病害图像的二值化图像。 5.根据权利要求4所述的基于图像监控数据的桥梁关键构件病害预警系统，其特征在于：所述卷积神经网络机器视觉模型可基于VGGNet模型为内核基础进行改进，采用“Tensorflow+Python”系统框架构建全卷积神经网络模型，模型由5层卷积层、softmax输出层构成，并将原VGGNet中的3层全连接层替换为卷积层，层与层之间采用max-pooling与mean-pooling分开，激活函数为Maxout函数；卷积神经网络机器视觉模型采用已有桥梁构件的病害图像进行训练，每类构件的典型病害选取200～500张病害原始图像，并采用PHOTOSHOP软件将图像中的病害进行人工标记与分类，以病害原始图像作为模型输入数据，对应的病害标记图像作为模型输出数据，模型正确识别率需达到95％以上。 6.根据权利要求1所述的基于图像监控数据的桥梁关键构件病害预警系统，其特征在于：所述评估预警系统对病害二值化图像进行分析，采用MATLAB自带函数Bwmorph与Minboundrect确定裂缝病害的长度与分布面积；采用直接统计二值化病害图像的1值像素数量确定坑洞病害的面积；对比同一构件不同时间的病害图像数据，针对裂缝病害，逐步对比裂缝长度与分布面积的变化趋势；对于坑洞病害，逐步对比面积的变化趋势；若病害的变化趋势增长速率超过规定阈值则进行预警；若裂缝病害的长度、或裂缝与坑洞病害的面积超过规定最大值则发出警报。 7.一种基于图像监控数据的桥梁关键构件病害预警方法，其特征在于，包括以下步骤：在桥梁各关键构件处设置高清相机，进行图像数据采集并传输至数据接收端；对采集的图像进行自动化读取、优化、病害识别与分类；以构件的病害二值化图像为研究对象，若构件病害程度超过极限阈值即进行预警。 8.根据权利要求7所述的图像监控数据的桥梁关键构件病害预警方法，其特征在于，桥梁关键构件包括桥梁接缝、缆索端部、支座、箱梁结构与桥墩；高清相机固定于桥梁关键构件并进行拍摄，调节拍摄角度与距离以覆盖构件范围，并通过调整焦距使其识别精度达到0.5mm以上，拍摄图像为256色RGB图像，最小分辨率为2432×2048，采集频率可根据实际情况在1min～1d之间调节；所述图像采集与数据传输系统采用4G无线传输模块，将原始拍摄图像传输并按照拍摄编号、拍摄时间存储于数据接收终端。 9.根据权利要求7所述的图像监控数据的桥梁关键构件病害预警方法，其特征在于，对采集的高清图像进行自动化读取、优化、病害识别与分类，具体方法为：利用MATLAB软件按照编号与时间顺序读取桥梁关键结构部位的256色RGB图像，采用自带函数imadjust与离散余弦变换对图像数据进行增强亮度、提高对比度与去除噪点处理，其后将图像数据输入卷积神经网络机器视觉模型，若图像识别无病害则输出标识0、裂缝类病害输出标识1、坑洞病害输出标识2，并输出病害图像的二值化图像。所述卷积神经网络机器视觉模型基于VGGNet模型为内核基础进行改进，采用“Tensorflow+Python”系统框架构建全卷积神经网络模型，模型采用5层卷积层、softmax输出层构成，并将原VGGNet中的3层全连接层替换为卷积层，层与层之间采用max-pooling与mean-pooling分开，激活函数为Maxout函数；卷积神经网络机器视觉模型采用已有桥梁构件的病害图像进行训练，每类构件的典型病害选取200～500张病害原始图像，并采用PHOTOSHOP软件将图像中的病害进行人工标记与分类，以病害原始图像作为模型输入数据，对应的病害标记图像作为模型输出数据，模型正确识别率需达到95％以上。 10.根据权利要求7所述的图像监控数据的桥梁关键构件病害预警方法，其特征在于，以病害二值化图像为研究对象，对可能发生病害的发展进行跟踪与状况评价，若病害发展速率与严重程度超过极限阈值即进行预警或发出警告，具体方法为：对病害二值化图像进行分析，采用MATLAB自带函数Bwmorph与Minboundrect确定裂缝病害的长度与分布面积；采用直接统计二值化病害图像的1值像素数量确定坑洞病害的面积；对比同一构件不同时间的病害图像数据，针对裂缝病害，逐步对比裂缝长度与分布面积的变化趋势；对于坑洞病害，逐步对比面积的变化趋势；若病害的变化趋势增长速率超过规定阈值则进行预警；若裂缝病害的长度、或裂缝与坑洞病害的面积超过规定最大值则发出警报。
所属类别：	发明专利